[论文解读] Job Posting-Enriched Knowledge Graph for Skills-based Matching

Maurits de Groot, Jelle Schutte+1 more|arXiv (Cornell University)|Sep 6, 2021

Advanced Graph Neural Networks参考文献 8被引用 8

一句话总结

本文提出了一种动态的、基于职位招聘广告的技能与职业知识图谱（KG），通过整合ISCO和ESCO分类体系与真实世界的职位招聘广告，以改善基于技能的职位匹配。通过利用链接预测、节点相似性以及基于TF-IDF的技能独特性分析，该KG能够实现更优的职业发展路径规划、技能相关性识别以及个性化学习推荐，展示了其在应对现代劳动力市场不断变化需求方面的实用性。

ABSTRACT

The labor market is constantly evolving. Occupations are changing, being added, or disappearing to fit the needs of today's market. In recent years the pace of this change has accelerated, due to factors such as globalization, digitization, and the shift to working from home. Different factors are relevant when selecting employment, e.g., cultural fit, compensation, provided degree of freedom. To successfully fulfill an occupation the gap between required (by the job) and possessed (by the job seeker) skills needs to be as small as possible. Decreasing this skill-gap improves the fit between a job candidate and occupation. In this paper we propose a custom-built Skills & Occupation Knowledge Graph (KG) that fits the above described dynamic nature of the labor market, by leveraging existing skills and occupation taxonomies enriched with external job posting data. We leverage this KG and explore several applications for skills-based matching of jobs to job seekers. First, we study link prediction as a means to quantify relevance of skills to occupations, which can help in prioritizing learning and development of employees. Next, we study node similarity methods and shortest path algorithms for career pathfinding. Finally, we leverage a term weighting method for identifying which skills are most "distinctive" for different (types of) occupations.

研究动机与目标

• 为应对由数字化、全球化和远程工作趋势驱动的快速演变劳动力市场中日益严重的技能错配问题。
• 构建一个灵活、实时更新的知识图谱，以捕捉超越静态分类体系的动态技能-职业关系。
• 通过量化技能相关性、职业转型路径和技能发展优先级，实现更优的求职者与招聘方匹配。
• 探索该KG在职业发展路径规划、技能相关性排序以及新兴技能-职业关系链接预测中的算法应用。

提出的方法

• 通过整合ISCO（职业）和ESCO（技能）分类体系作为基础结构，构建共享的技能与职业知识图谱。
• 使用基于字符n-gram的方法，将非结构化的职位招聘广告文本映射到标准化的技能和职业标签，以丰富知识图谱。
• 应用Node2Vec算法预测新型、未观测到的技能-职业链接，从而识别新兴或被低估的技能需求。
• 利用基于技能的Jaccard相似性建模职业间距离，并应用最短路径算法进行职业发展路径规划与转型推荐。
• 采用受TF-IDF启发的度量方法，识别每个ISCO组中最具独特性的技能，突出显示对特定职业群组具有高度相关性的技能。
• 利用生成的知识图谱探索三项核心应用：链接预测、职业发展路径规划与技能独特性分析，均旨在提升基于技能的匹配效果。

实验结果

研究问题

• RQ1 如何通过实时职位招聘广告数据动态丰富知识图谱，以反映当前劳动力市场的需求？
• RQ2 通过Node2Vec进行链接预测在多大程度上能够识别出静态分类体系中未包含的有意义且新颖的技能-职业关系？
• RQ3 在基于技能的知识图谱上，最短路径算法在推荐可行的职业转型路径方面效果如何？
• RQ4 哪些技能对不同职业群体最具独特性，以及如何利用这一信息指导个性化学习与发展？

主要发现

• 基于职位招聘广告丰富后的知识图谱成功捕捉了动态的技能-职业关系，通过Node2Vec的链接预测识别出技能与职业之间合理的新型关联。
• 在知识图谱上进行的最短路径分析揭示了可行的、基于技能的职业转型路径，路径长度反映了不同职业群体之间的现实发展进程。
• 基于TF-IDF的方法有效识别出对特定ISCO组高度独特的技能，为有针对性的技能提升与再培训提供了可操作的洞察。
• 该知识图谱为劳动力市场提供了全面、数据驱动的视角，支持个人职业导航与组织人才发展战略。
• 尽管由于数据限制缺乏实证验证，但该方法论框架在人力资源与招聘系统中的实际部署方面展现出强大潜力。